Ein Team der Universität Manchester hat in Zusammenarbeit mit dem NVIDIA-Earth-2-Team ein auf künstlicher Intelligenz basierendes Modell entwickelt, um die Luftverschmutzung im gesamten Vereinigten Königreich zu simulieren und vorherzusagen, mit einer räumlichen Auflösung von zwei bis drei Kilometern. Das Projekt soll den hohen Rechenaufwand herkömmlicher Modelle reduzieren, die Wetterdaten und chemische Wechselwirkungen in der Atmosphäre kombinieren.
Die Arbeit wird von David Topping, Professor am Fachbereich für Erd- und Umweltwissenschaften der Universität Manchester, geleitet. Das Team nutzte Verschmutzungsdaten aus chemisch-klimatischen Simulationen, die ein vollständiges Jahr mit stündlichen Zeitintervallen abdecken, und trainierte anschließend ein Earth-2-CorrDiff-Modell, um detailliertere Karten der Schadstoffverteilung zu erzeugen. Nach Angaben von NVIDIA war das Modell bereits beim ersten Trainingsversuch erfolgreich.
Von der chemischen Simulation zur schnellen Vorhersage
Herkömmliche Modelle der Luftqualität erfordern aufgrund der Einbeziehung der Atmosphärenchemie in Wettermodelle umfangreiche Berechnungen, was den Detaillierungsgrad und die Anzahl ihrer Ausführungen begrenzt. Das Team aus Manchester versuchte, die von NVIDIA für Wetter und Klima entwickelten generativen KI-Frameworks zu nutzen, um mit Verschmutzungs-„Feldern“ zu arbeiten, anstatt jede Wechselwirkung auf herkömmliche Weise zu berechnen.
Das Training nutzte einen einzelnen Knoten mit acht Grafikprozessoren auf dem britischen Supercomputer Isambard-AI in Bristol. Das System umfasst 5.448 NVIDIA-GH200-Grace-Hopper-Superchips und verfügt für KI-Arbeitslasten über eine angegebene Leistung von 21 Exaflops. Das Training dauerte laut dem veröffentlichten Material zwei Tage.
Das Team fügte später das Modell Earth-2 StormCast hinzu, um zeitabhängige Vorhersagen zu erstellen, die direkte Beobachtungen der Luftqualität nutzen. Außerdem demonstrierten die Forscher Trainings- und Inferenzabläufe auf dem Desktop-System NVIDIA DGX Spark, das von einem GB10 Grace Blackwell-Chip angetrieben wird. Topping zufolge ermöglicht ihm ein DGX Spark in seinem Büro, die Modelle neu zu trainieren und kleinere Trainings abseits des Supercomputers durchzuführen.
Warum ist diese Entwicklung wichtig?
Dem veröffentlichten Material zufolge trug die Luftverschmutzung im vergangenen Jahr zu etwa 30.000 Todesfällen im Vereinigten Königreich bei, wodurch eine Verbesserung der Vorhersagen unmittelbar für die öffentliche Gesundheit relevant wird. Gesundheitsdienste könnten diese Vorhersagen nutzen, um Patienten mit Erkrankungen wie Asthma über einen erwarteten Anstieg der Verschmutzung in ihrer Region am folgenden Tag oder in der darauffolgenden Woche zu informieren.
Das Team testet außerdem die Verbindung des Modells mit Edge-KI-Geräten, die Echtzeitmessungen der Luftqualität empfangen. Zu den möglichen Anwendungen gehört die Unterstützung schneller Entscheidungen während Waldbränden sowie der Einsatz des Modells zur Simulation der Auswirkungen möglicher Änderungen staatlicher Maßnahmen zur Verschmutzungsbekämpfung.
Was ändert sich in der Praxis?
Die wichtigste Veränderung ist der Übergang von kostspieligen zentralisierten Ausführungen zu einem Modell, das zumindest für die Inferenz und einige Trainings auf einem Desktop-System ausgeführt werden kann. Das Team plant, die Auflösung des Modells auf Straßenebene zu erhöhen, indem zusätzliche öffentliche Daten integriert werden. Außerdem beabsichtigt es, die Trainingsdaten und Arbeitsabläufe als Open Source zu veröffentlichen, damit andere Länder und Städte mit ihren eigenen Daten lokale Modelle erstellen können.
Das Material liefert jedoch keine detaillierten quantitativen Ergebnisse zur Vorhersagegenauigkeit im Vergleich zu herkömmlichen chemischen Modellen und belegt bislang weder den Betrieb eines Gesundheitsdienstes noch eines öffentlichen Warnsystems auf Grundlage des Modells. Daher bleiben die Versprechen hinsichtlich Echtzeitvorhersagen und klinischer Anwendungen Ziele in der Erprobung und sind noch keine tatsächlich verfügbaren Dienste. Die aktuelle Bedeutung des Projekts liegt darin, die Übertragbarkeit der Earth-2-Frameworks auf den Bereich der Luftverschmutzung zu zeigen und die Zugangsschwelle zu Modellierungswerkzeugen zu senken. Unabhängige Validierung, die Qualität lokaler Daten und der Zeitpunkt der Veröffentlichung offener Ressourcen bleiben jedoch Fragen, die beantwortet werden müssen.